[发明专利]基于混合神经网络的湿地出水氨氮浓度预测方法及系统

说明书

本发明提供了一种基于混合神经网络的湿地出水氨氮浓度预测方法及系统，该方法包括：对获取的人工湿地进出水断面的水质环境数据进行主成分分析及移动平均处理，得到输入数据；所述水质环境数据的指标不少于8个；采用输入数据构建训练集和测试集，采用BP神经网络构建预测模型；采用遗传算法对BP神经网络的权职和阈值进行优化，得到优化的权值和阈值，再将优化好的权值和阈值带入神经网络中，完成对神经网络的优化，得到优化好的模型；对已优化好的模型，采用LM算法进行训练，得到最佳水质参数预测模型；利用测试集对待预测的人工湿地氨氮浓度进行预测。采用本发明的技术方案，提高模型的鲁棒性和泛化能力，提高了出水氨氮浓度预测的精准度。

技术领域

本发明属于计算器技术领域，尤其涉及一种基于混合神经网络的湿地出水氨氮浓度预测方法及系统。

背景技术

目前，多维数据驱动模型在出水水质预测方面成果显著，其中又以神经网络技术预测效果最佳。神经网络是人们由生物神经系统简化而提取出的算法模型，近些年来因其鲁棒性高，对多元非线性关系拟合效果好等特点，而广泛应用在在城市污水处理领域。目前常用于污水处理中的神经网络有误差反向传播神经网络、径向基函数神经网络、遗传算法、循环神经网路、长短期记忆神经网络等。但这些方法普遍存在易陷于局部最小值，难以找到全局最优解的问题。而且对于水质预测，输入的水质指标很多，超过8项，如何对输入的多个指标进行处理，提出有用的信息，用于后续的处理并进行准确的预测，降低预测误差，目前存在有一定的难度。

发明内容

针对以上技术问题，本发明公开了一种基于混合神经网络的湿地出水氨氮浓度预测方法及系统，提高了模型的鲁棒性和泛化能力，降低对出水氨氮浓度的预测误差。

对此，本发明采用的技术方案为：

一种基于混合神经网络的湿地出水氨氮浓度预测方法，其包括：

步骤S1，对获取的人工湿地进水断面的水质环境数据进行预处理，得到输入数据；其中所述水质环境数据包括水质指标、水量指标和大气环境指标三类，所述水质环境数据的指标不少于8个；进一步的，所述水质环境数据的指标为11个。

步骤S2，采用输入数据构建训练集和测试集，采用BP神经网络构建预测模型；

步骤S3，采用遗传算法对BP神经网络的权职和阈值进行优化，得到优化的权值和阈值，再将优化好的权值和阈值带入神经网络中，完成对神经网络的优化，得到优化好的模型；

步骤S4，对步骤S3中优化好的模型，采用LM算法进行训练，得到最佳水质参数预测模型；

步骤S5，利用测试集对待预测的人工湿地氨氮浓度进行预测。

其中，采用BP神经网络构建预测模型为采用现有技术的方法。

作为本发明的进一步改进，所述水质指标包括进水COD值、TP值(总磷)、SS值、TH值、BOD5值、pH值，所述水量指标包括进水流速和降雨量，所述大气环境指标包括温度、湿度、大气压。

作为本发明的进一步改进，步骤S1中，采用移动平均法对水质环境数据的指标进行平滑化处理，然后对各个指标数据进行标准化处理，转化为均值为0、方差为1的数列，采用主成分分析法进行数据降维，提取累计贡献率大于设定阈值的样本参数作为输入数据。

优选的，所述标准化处理，采用如下公式进行：

其中，y_i为该指标标准化处理后的值，max{x_j}为该指标的最大值，min{x_j}为该指标的最小值，x_i为该指标进行标准化处理前的数值。

作为本发明的进一步改进，步骤S4采用LM算法进行训练包括：

步骤S401，获取训练集的数据；